1. CT成像物理与重建问题定义

CT重建的一切工程决策,最终都要回到一个物理事实:X射线穿过物体时,光子被吸收和散射,强度按指数规律衰减。设入射强度为 I0,穿出强度为 I,路径上的线性衰减系数为 μ(l),则沿射线 L 有:

I = I₀ · exp( −∫_L μ(l) dl )

取负对数:
p = −ln(I / I₀) = ∫_L μ(l) dl

这里的 p 称为投影值或线积分。它把"测到的强度"变成了"沿某条直线的衰减系数积分",这是CT能够定量成像的起点。工程上要特别注意两点:一是 I0 必须通过空气扫描或参考通道实时估计,否则管电流漂移会直接变成投影值偏差;二是负对数运算对低剂量噪声极其敏感,当 I 接近0时 p 会剧烈波动,这正是低剂量CT重建困难的物理根源。

投影采集几何与正弦图

实际CT不是沿一条线测,而是围绕物体旋转,在每个角度 θ 下采集一组平行或扇形射线。以平行束为例,射线由角度 θ 和到旋转中心的距离 t 唯一确定,投影值记为 p(θ, t)。把所有角度下的投影按 θ 排列成二维图像,就得到正弦图(sinogram)。正弦图不是装饰,它是重建算法的直接输入,也是判断数据质量的第一现场:

  • 物体中一个点,在正弦图上表现为一条正弦曲线,位置对应其空间坐标;
  • 金属等高衰减物体在正弦图上形成亮条纹,是金属伪影的源头;
  • 截断、坏道、环状伪影在正弦图上都有可识别的固定模式,便于定位问题。

因此,工程排查伪影时,先看正弦图往往比直接看重建图像更快。扇形束和锥形束几何下,射线不再由 (θ, t) 直接描述,需要重排为平行束或使用专门的滤波反投影公式,但"投影是线积分"这一本质不变。

Radon变换与重建的不适定性

把"沿直线积分"这一操作形式化,就是Radon变换:

p(θ, t) = ∬ f(x, y) · δ(x cosθ + y sinθ − t) dx dy

其中 f(x,y) 是待求的衰减系数分布。重建就是求Radon逆变换。理论上,若投影覆盖全部角度且无噪声,逆变换有解析解,滤波反投影(FBP)正是其实现。但工程上问题远没有这么理想:

  1. 角度采样有限:只能采集有限个 θ,逆变换中的连续积分被离散求和替代,高频信息丢失;
  2. 噪声放大:逆变换含斜坡滤波 |ω|,对高频噪声有放大作用,投影噪声会显著恶化重建结果;
  3. 病态性:Radon变换的奇异值随频率衰减,其逆问题不满足Hadamard意义下的适定性,微小数据扰动可导致解的较大变化;
  4. 物理模型偏差:实际X射线是多能的,而线积分模型假设单能,射束硬化会引入杯状伪影和条状伪影。

这些因素共同决定了:CT重建不能只靠解析反投影,必须引入正则化、迭代优化或学习型先验。理解不适定性的来源,才能理解为什么不同算法在不同噪声、不同采样条件下表现差异巨大。

工程评价指标

重建结果好不好,不能只看"像不像",需要可量化的指标。最常用的三个是:

指标定义工程含义
RMSE√( Σ( f̂ − f )² / N )像素级平均误差,对整体偏差敏感,单位与衰减系数一致
PSNR10·log₁₀( MAX² / MSE )以dB表示的信噪比,便于横向比较,但对结构失真不敏感
SSIM基于亮度、对比度、结构的相似度更贴近人眼对结构完整性的判断,适合评估边缘和纹理保持

实际评估时,RMSE和PSNR容易受整体灰度偏移影响,SSIM对结构变化更敏感,三者应结合使用。若做低剂量或稀疏角度实验,还需报告噪声水平、角度数和是否使用正则化,否则指标之间不可比。下面这张图把从物理衰减到投影、正弦图、重建与评价的完整链路串起来,帮助建立全局认识。

CT成像物理 → 投影数据 → 重建 → 评价 全链路 X射线衰减 I = I₀·exp(−∫μ dl) p = −ln(I/I₀) 多能/噪声/漂移 投影采集几何 平行束 / 扇形束 / 锥形束 角度 θ,距离 t 采样数、截断、坏道 正弦图 p(θ,t) 点 → 正弦曲线 金属 → 亮条纹 伪影定位第一现场 重建 FBP / 迭代 正则化 / 学习型 不适定问题 重建的不适定性来源 有限角度采样 · 噪声经 |ω| 放大 · 奇异值衰减 · 多能射束硬化 → 必须引入正则化 / 迭代 / 先验约束 工程评价指标 RMSE √(Σ(f̂−f)²/N) 像素级平均误差 PSNR 10·log₁₀(MAX²/MSE) dB 信噪比,便于比较 SSIM 亮度·对比度·结构 贴近人眼结构判断 评估需结合噪声水平、角度数与正则化设置,否则指标不可比

从物理到工程的衔接

把上述内容串起来看,CT重建的工程问题可以这样定义:已知有限角度、含噪、可能截断的投影数据 p(θ,t),在Radon变换模型下估计衰减分布 f(x,y),并用RMSE、PSNR、SSIM等指标衡量估计质量。这个定义里,物理模型决定"能测什么",采集几何决定"测多少",不适定性决定"为什么难",评价指标决定"怎么算好"。

理解本章的一个实用方法:拿到一组重建结果时,先回到正弦图看数据本身是否完整、是否有金属或截断,再判断误差是来自数据还是来自算法。很多"算法效果差"的案例,根源其实在投影数据层面。